estimación de parámetros forestales en bosques de ... · artículo / article estimación de...

Artiacuteculo Article

Estimacioacuten de paraacutemetros forestales en bosques de coniacuteferas con teacutecnicas de percepcioacuten remota

Forest parameter estimation in conifer forests using remote sensing techniques

Gustavo Torres-Rojas1 Martiacuten Enrique Romero-Saacutenchez2Efraiacuten Velasco-Bautista2 y Antonio Gonzaacutelez-Hernaacutendez2

Resumen

El objetivo principal fue evaluar la capacidad de dos plataformas satelitales SPOT y Quickbirdreg para la estimacioacuten de paraacutemetros forestales de intereacutes en un aacuterea bajo manejo localizada en los liacutemites entre el Estado de Meacutexico y Michoacaacuten Se comparoacute la precisioacuten de las estimaciones contra datos de campo Los paraacutemetros estimados fueron altura total diaacutemetro normal y carbono aeacutereo Se calcularon diferentes iacutendices de vegetacioacuten para usarse como variables predictoras y se utilizoacute la prueba de correlacioacuten de Pearson (r) para determinar el grado de asociacioacuten de los datos obtenidos en campo con las diferentes variables derivadas de las imaacutegenes de sateacutelite Las variables respuesta con alta correlacioacuten con la predictora y con baja correlacioacuten entre siacute fueron seleccionadas para la estimacioacuten de cada uno de los paraacutemetros a traveacutes de modelos de regresioacuten La validacioacuten de estos se llevoacute a cabo usando la raiacutez del error cuadraacutetico medio (RECM) y RECM relativo de las estimaciones contra los datos medidos en campo Los resultados mostraron correlaciones negativas importantes (SPOT = -060 -075 Quickbird = -058 -080) El anaacutelisis de regresioacuten sentildeala buenos ajustes en todos los casos (R2 = 059-091) Para la validacioacuten de los modelos (RECM) se obtuvieron los valores maacutes bajos en diaacutemetros y alturas 515 cm y 250 m respectivamente en el caso de la imagen SPOT 5 HRG mientras que con la imagen Quickbird el valor maacutes bajo fue para carbono aeacutereo (077 Mg C)

Palabras clave Atributos forestales manejo forestal Quickbird regresioacuten sensores remotos SPOT

Abstract

The main objective was to evaluate the capacity of two satellite platforms SPOT and Quickbirdreg in order to estimate the forest parameters of interest in an area under management located between the borders of the State of Mexico and Michoacaacuten The accuracy of the estimation was compared with field data The estimated parameters were total height normal diameter and aboveground carbon Various vegetation indices were estimated and used as predictive variables and Pearsonrsquos (r) correlation test was utilized to determine the degree of association between the data obtained in field and the different variables derived from the satellite images Response variables showing a high correlation with the predictive variable and a low correlation between each other were selected in order to estimate each of the parameters using regression models These were validated using the root mean square error (RMSE) and the relative RMSE of the estimations against the data measured in field The results showed significant negative correlations (SPOT = -060 -075 Quickbird = -058 -080) The regression analysis showed good adjustments in all cases (R2 = 059-091) For the validation of the models (RMSE) the lowest values in diameter and height ndash515 cm and 250 m respectivelyndash were obtained in the case of the SPOT 5 HRG image while the lowest value in the Quickbird image was for aboveground carbon (077 Mg C)

Key words Forest attributes forest management Quickbird regression remote sensing SPOT

Fecha de recepcioacutenReception date 27 de marzo de 2016 Fecha de aceptacioacutenAcceptance date 20 de julio de 20161 Programa de Vigilancia Entomoloacutegica del Dengue Servicios de Salud Puacuteblica Ciudad de Meacutexico Meacutexico2 Centro Nacional de Investigacioacuten Disciplinaria en Conservacioacuten y Mejoramiento de Ecosistemas Forestales Ciudad de Meacutexico Meacutexico INIFAP Correo-e romeromartininifapgobmx

Revista Mexicana de Ciencias ForestalesVol 7 (36) 7- 24

Revista Mexicana de Ciencias Forestales Vol 7 (36) 7-24

8

Introduction

Remote sensing applied to forest management comprises mainly four categories forest cover classification estimation of forest attributes detection of changes in the forest and spatial modeling (Franklin 2001) Among these the estimation of forest attributes using remote sensing is of particular sense in the area of sustainable forest management as it offers the possibility to obtain consistent coherent and transparent information besides explicit spatial information in areas with difficult access (Herold et al 2011) Since the last decade the estimation of forest variable has evolved from an activity based mainly on field forest inventories to an endeavor assisted by remote sensing (Miranda-Aragoacuten et al 2013 Asner and Mascaro 2014)

Ongoing progress in the improvement of the capacities of the various types of sensors provides an opportunity to develop analysis techniques to maximize the capabilities of the available satellite platforms

The estimation of biophysical parameters (measured in forest inventories) is based on remote sensing which comprises both statistical and physical methods (Haumlme et al 2013) The former use estimates under the assumption of a good statistical correlation between the satellite data and the variables of interest (Aguirre-Salado et al 2012a Song 2013 Wulder et al 2014) The latter consist in carrying out direct measurements in the field and using these as auxiliary variables in the estimation procedures (GOFC-GOLD 2011)

The improvement of the platforms and sensors in terms of spatial temporal and radiometric resolution (Roy et al 2014) as well as free access to the satellite databases (Woodcock et al 2008) has made possible to exponentially increase research based on biophysical information obtained from multispectral satellite images in the last few years (Wulder et al 2008 2012)Access to high spatial resolution satellite images (eg Quickbirdreg Geoeyereg) enables new options for the indirect estimation of the biophysical characteristics of the trees whereby the cost of estimating them based on traditional inventories is minimized (Valdez-Lazalde et al 2006)

In Mexico the use of satellite technology has focused on the detection of changes in the tree cover (Valdez-Lazalde et al 2006 Aguirre-Salado et al 2012 Gebhardt et al 2014) and forest management monitoring has been directed primarily at such variables as basal area biomass (Aguirre-Salado et al 2014) and secondly at the estimation of the standing volume and certain important dasometric variables for forest management such as diameter at breast heigh and total height

Introduccioacuten

La percepcioacuten remota aplicada al manejo forestal comprende principalmente cuatro categoriacuteas clasificacioacuten de la cobertura forestal estimacioacuten de atributos forestales deteccioacuten de cambios en el bosque y modelado espacial (Franklin 2001) Dentro de estas la estimacioacuten de atributos forestales mediante sensores remotos es de particular intereacutes en el aacuterea de manejo forestal sustentable ya que ofrece la posibilidad de obtener informacioacuten consistente coherente y transparente ademaacutes de la de tipo espacial expliacutecita en aacutereas de difiacutecil acceso (Herold et al 2011) Desde la deacutecada pasada el caacutelculo de variables forestales ha evolucionado de una actividad basada sobre todo en inventarios forestales en campo a un esfuerzo asistido por sensores remotos (Miranda-Aragoacuten et al 2013 Asner y Mascaro 2014)

El continuo avance en el mejoramiento de las capacidades de los diferentes tipos de sensores ofrece la oportunidad de desarrollar teacutecnicas de anaacutelisis que maximicen las capacidades de las plataformas satelitales disponibles

La estimacioacuten de paraacutemetros biofiacutesicos (medidos en los inventarios forestales) a partir de sensores remotos se divide principalmente en meacutetodos estadiacutesticos y fiacutesicos (Haumlme et al 2013)Los primeros usan estimaciones bajo el supuesto de una buena correlacioacuten estadiacutestica entre datos satelitales y las variables de intereacutes (Aguirre-Salado et al 2012a Song 2013 Wulder et al 2014) Los segundos consisten en realizar mediciones directas en campo de manera tal que sirvan como variables auxiliares en las estimaciones (GOFC-GOLD 2011)

La mejora de las plataformas y sensores en teacuterminos de resolucioacuten espacial temporal y radiomeacutetrica (Roy et al 2014)asiacute como el acceso a bases de datos satelitales de forma gratuita (Woodcock et al 2008) permitioacute que la investigacioacuten relacionada con la extraccioacuten de informacioacuten biofiacutesica de imaacutegenes satelitales multiespectrales se haya incrementado exponencialmente en los uacuteltimos antildeos (Wulder et al 2008 2012) El acceso a imaacutegenes satelitales de alta resolucioacuten espacial (eg Quickbirdreg Geoeyereg) posibilita nuevas opciones para la estimacioacuten de caracteriacutesticas biofiacutesicas del arbolado de manera indirecta lo cual minimiza el costo de hacerlo mediante inventarios tradicionales (Valdez-Lazalde et al 2006)

En Meacutexico la utilizacioacuten de tecnologiacutea satelital se ha enfocado a la deteccioacuten de cambios en la cobertura arboacuterea ( Valdez-Lazalde et al 2006 Aguirre-Salado et al 2012 Gebhardt et al 2014) y el monitoreo aplicado al manejo forestal se ha encaminado baacutesicamente a variables tales como aacuterea basal biomasa aacuterea (Aguirre-Salado et al 2014) y en segundo plano las estimaciones de volumen en pie y algunas variables dasomeacutetricas importantes para el manejo forestal diaacutemetro normal y altura total

Torres-Rojas et al Estimacioacuten de paraacutemetros forestales en bosques

9

En este trabajo se evaluoacute la capacidad de dos plataformas satelitales SPOT (Satellite Pour lrsquoObservation de la Terre por sus siglas en franceacutes) y Quickbirdreg en la estimacioacuten de paraacutemetros forestales de intereacutes (ie biomasa aeacutereacarbono diaacutemetro normal altura total) Los sateacutelites utilizados presentan diferentes resoluciones radiomeacutetrica y espacial por lo que se comparoacute la precisioacuten de las estimaciones contra datos de campo con el objetivo de validar el uso de imaacutegenes satelitales de muy alta resolucioacuten (Quickbird) para la estimacioacuten de paraacutemetros forestales en comparacioacuten con otro sensor de menor resolucioacuten espacial (SPOT)

Materiales y Meacutetodos

Ubicacioacuten del aacuterea de estudio

El aacuterea de estudio se localiza en el municipio San Joseacute del Rincoacuten al noroeste del Estado de Meacutexico en el predio La Sabaneta (Figura 1) cuyas coordenadas son 19deg29rsquoy 19deg47rsquo latitud norte meridianos 100deg01rsquo y 100deg16rsquo longitud oeste Comprende una superficie de 16 826 ha Predomina el tipo de clima semifriacuteo subhuacutemedo con lluvias en verano de mayor humedad con una temperatura media anual de 10 a 14 degC La precipitacioacuten miacutenima anual es de 800 y la maacutexima de 1 000 mm El predio estaacute bajo bajo manejo forestal se aprovechan comercialmente dos especies Abies religiosa (Kunth) Schltdl et

Cham y Pinus pseudostrobus Lindl Tambieacuten se han registrado otras especies tales como Cupressus lindleyi Klotzsch ex Endl Quercus rugosa Neacutee y Prunus sp (Probosque 2010)

The present research assessed the capacity of two satellite platforms ndashSPOT (Satellite Pour lrsquoObservation de la Terre French acronym) and Quickbirdregndash in the estimation of forest parameters of interest (ie aboveground biomassaboveground carbon diameter at breast height total height) The satellites utilized have different radiometric and spatial resolutions therefore the accuracy of the estimates was compared with field data to validate the use of extremely high-resolution satellite images (Quickbird) for the estimation of forest parameters compared to another sensor with a lower spatial resolution (SPOT)

Materials and Methods

Location of the study area

The study area is located in the municipality of San Joseacute del

Rincoacuten northwest of the State of Mexico in the plot named La

Sabaneta (Figure 1) between the coordinates 19deg29rsquo and 19deg47rsquo N and 100deg01rsquo and 100deg16rsquo W It comprises a surface area of 16 826 has Its climate is predominantly sub-humid semi-cold with rains in the summer when it becomes more humid and with a mean annual temperature of 10 to 14 degC The annual minimum precipitation is 800 mm and the maximum is 1 000 mm The plot is under forest management two species are commercially exploited Abies religiosa (Kunth) Schltdl et Cham and Pinus pseudostrobus Lindl Other species such as Cupressus

lindleyi Klotzsch ex Endl Quercus rugosa Neacutee and Prunus sp have also been cited (Probosque 2010)

Figura 1 Localizacioacuten del aacuterea de estudioFigure 1 Localization of the study area


10

Datos de inventario

Se obtuvieron variables dasomeacutetricas en 64 sitios de muestreo de 1 000 m2 distribuidos sistemaacuteticamente en 12 rodales (Figura 2) En cada unidad de muestreo se registraron las siguientes caracteriacutesticas tipo de vegetacioacuten condicioacuten pendiente () cobertura () exposicioacuten altitud (msnm) coordenada central nuacutemero de aacuterboles por sitio especie diaacutemetro normal (cm) altura total (m) y edad (antildeos) El disentildeo utilizado se basoacute en una red de sitios de muestreo con equidistancias de 400 m2 (Figura 2)

Inventory data

Dasometric variables were estimated at sixty-four 1 000m2 sampling sites systematically distributed in 12 stands (Figure 2) The following characteristics were registered for each sampling unit vegetation type condition slope () cover () exposure altitude (masl) central coordinate number of trees per site species diameter at breast height (cm) total height (m) and age (years) The design used was based on a network of sampling sites at equal distances of 400 m2 (Figure 2)

Figura 2 Distribucioacuten de los sitios de muestreoFigure 2 Distribution of the sampling sites

En la estimacioacuten de biomasacarbono por sitio de muestreo se utilizaron ecuaciones alomeacutetricas de las especies presentes (Cuadro 1) Los valores individuales de carbono se sumaron para obtener valores totales por unidad de muestreo

In the estimation of the biomasscarbon per sampling site allometric equations of the occurring species were applied (Table 1) The individual carbon values were added to obtain the totals per sampling unit


11

Cuadro 1 Ecuaciones alomeacutetricas utilizadas en este estudio

Especie Estimacioacuten de Carbono Autor

Abies religiosa (Kunth) Schltdl et Cham 0033 DN 251 Avendantildeo et al 2009

Pinus pseudostrobus Lindl 376376DN17317 H12239 Velasco et al 2012

Alnus sp 011765 DN223 Acosta et al 2002

Cupressus sp 02639 DN2 Virgil 2010 (citado por Carrillo et al 2014)

Quercus sp e (-227+239 Log(DN)) 05 Ayala et al 2001DN = Diaacutemetro normal H = Altura total

Table 1 Allometric equations utilized in this study

Species Carbon estimate Author

Abies religiosa (Kunth) Schltdl et Cham 0033 DBH 251 Avendantildeo et al 2009

Pinus pseudostrobus Lindl 376376DBH17317 H12239 Velasco et al 2012

Alnus sp 011765 DBH223 Acosta et al 2002

Cupressus sp 02639 DBH2 Virgil 2010 (cited by Carrillo et al 2014)

Quercus sp e (-227+239 Log(DBH)) 05 Ayala et al 2001DBH= Diamater at breast height H= Total height

Satellite images and pre-processing

A SPOT 5 HRG image was obtained from the Mexico Receiving Station through the collaboration agreement with the National Institute for Forestry Agriculture and Livestock Research (INIFAP) and Mexico Receiving Station (ERMEX) The date when the SPOT image was taken is April 1 2009 with a 2A processing level The Quickbird image was donated by Merrickreg Mexico and was taken on March 6 2009 Both images were georreferenced to UTM zone 14 N using Datum WGS84 (Figure 3)

Imaacutegenes satelitales y preprocesamiento

Se obtuvo una imagen SPOT 5 HRG de la estacioacuten de recepcioacuten Meacutexico a traveacutes del convenio de colaboracioacuten con el Instituto Nacional de Investigaciones Forestales Agriacutecolas y Pecuarias (INIFAP) y Estacioacuten de Recepcioacuten Meacutexico (ERMEX) La imagen fue adquirida el 1 de abril de 2009 con nivel de procesamiento 2A La imagen Quickbird fue donada por la empresa Merrickreg Meacutexico con fecha de toma 6 de marzo de 2009 Ambas imaacutegenes se georreferenciaron al sistema UTM zona 14 N con Datum WGS84 (Figura 3)

Figura 3 Imaacutegenes satelitales SPOT (izquierda) y Quickbird (derecha) en falso color bandas infrarrojo cercano rojo y verdeFigure 3 False color SPOT (left) y Quickbird (right) satellite images red and green near infrared bands


12

Las imaacutegenes de sateacutelite recibieron un preprocesamiento antes de utilizarlas para la extraccioacuten de informacioacuten espectral La imagen SPOT fue corregistrada a la Quickbird para asegurar correspondencia espacial las dos se transformaron a radianza (Krause 2005 Soudani et al 2006) y reflectancia exoatmosfeacuterica (Thenkabail et al 2004) Ademaacutes se corrigieron atmosfeacutericamente utilizando el modelo Cost propuesto por Chaacutevez (1996) para obtener la reflectancia superficial

Iacutendices espectrales de vegetacioacuten y extraccioacuten de valores espectrales

Los iacutendices de vegetacioacuten (IV) son combinaciones de mediciones de reflectancia sensibles a los efectos combinados de la concentracioacuten de clorofila en el follaje aacuterea foliar y arquitectura del dosel Los IV estaacuten disentildeados para proveer una medida del estado de la vegetacioacuten y aunque poseen algunas limitaciones (Romero-Saacutenchez et al 2009) han sido usados en muchas aplicaciones incluso para la estimacioacuten de biomasacarboacuten aeacutereo (Avitabile et al 2012)

Despueacutes de una revisioacuten de literatura se seleccionaron iacutendices de vegetacioacuten que han sido citados para estimar paraacutemetros forestales (Cuadro 2) los cuales se aplicaraacuten en este trabajo

The satellite images were pre-processed before being utilized to extract spectral information The SPOT image was corregistered to the Quickbird image to ensure spatial correspondence Both images were transformed into radiance values (Krause 2005 Soudani et al 2006) and exoatmospheric reflectance (Thenkabail et al 2004) Furthermore they were atmospherically corrected using the Cost model proposed by Chaacutevez (1996) to obtain the surface reflectance

Spectral vegetation indices and extraction of spectral values

The vegetation indices (VIs) are combinations of reflectance measurements that are sensitive to the combined effects of the concentration of chlorophyll in the foliage foliar areas and canopy architecture VIs are designed to provide a measure of the status of the vegetation and although some have certain limitations (Romero-Saacutenchez et al 2009) they have been used in many applications even for purposes of estimating biomassaboveground carbon (Avitabile et al 2012)

After reviewing the literature documented vegetation indices were selected to estimate forest parameters (Table 2) and were applied in the present study

Cuadro 2 Informacioacuten espectral utilizada en el presente estudio

Iacutendice de vegetacioacuten Ecuacioacuten Fuente

Bandas espectralesVerde Rojo Infrarrojo

cercano Infrarrojo medioAguirre-Salado et al 2012a

Iacutendice de vegetacioacuten de diferencias normalizadas (NDVI) Rouse et al 1974

Iacutendice de vegetacioacuten de diferencias normalizadas modificado para SPOT Infrarrojo medio-verde (NDV41) Infrarrojo medio-Rojo (NDVI42) Infrarrojo medio-Infrarrojo cercano (NDVI43) Rojo-Infrarrojo cercano (NDVI23)

Iacutendice de vegetacioacuten de diferencias normalizada modificado para Quickbird Infrarrojo cercano-azul (NDV41) Infrarrojo cercano-verde (NDVI42) Infrarrojo medio-Infrarrojo cercano (NDVI43) Rojo-Infrarrojo cercano (NDVI23)

Iacutendice de vegetacioacuten ajustado al suelo (SAVI) Huete 1988

Iacutendice verde de Vegetacioacuten (GVI) Rao y Mohankumar 1994

Iacutendice de vegetacioacuten transformado (TVI) Deering et al 1975

Iacutendice Ka (Infrarrojo cercano y Rojo) Lueacutevano et al 2006


13

Table 2 Spectral information utilized in the present study

Vegetation index Equation Source

Spectral bandsGreen Red Near infrared

Medium infraredAguirre-Salado et al 2012

Normalized difference vegetation indices (NDVI) Rouse et al 1974

Modified normalized difference vegetation index for SPOT Medium infrared-green (NDV41) Medium infrared-Red (NDVI42) Medium infrared-Near infrared (NDVI43) Red-Near infrared (NDVI23)

Modified normalized difference vegetation index for Quickbird Near infrared-blue (NDV41) Near infrared-green (NDVI42) Medium infrared-Near infrared (NDVI43) Red-Near infrared(NDVI23)

Soil-adjusted vegetation index (SAVI) Huete 1988

Green vegetation index (GVI) Rao and Mohankumar 1994

Transformed vegetation index (TVI) Deering et al 1975

Ka index (Near infrared and Red) Lueacutevano et al 2006

The vegetation indices indicated in each image were calculated to highlight traits of interest and subsequently use these as dependent variables in regression models

For both images the spectral values were extracted in two different ways a) central spectral values of each site and b) average spectral values for each sampling site Also spectral values of 30 sites without cover were extracted for each image and added to the database

Supervised classification

To determine the forest cover of the area a supervised classification was carried out with the Quickbird image Classification was divided into three categories ndashforest non-forest and shadesndash using the ERDAS software 2010 version 101 by Imaginereg A total of 30 spectral signatures were defined 10 for the forest 10 for non-forest and 10 for shades The classification of the forest part was adjusted to the area comprising the 64 sampling sites

Se calcularon los iacutendices de vegetacioacuten sentildealados en cada imagen para realzar rasgos de intereacutes y posteriormente usarlos como variables dependientes en modelos de regresioacuten

Para ambas imaacutegenes los valores espectrales fueron extraiacutedos de dos maneras a) valores espectrales centrales de cada sitio y b) valores espectrales promedio de cada sitio de muestreo Adicionalmente se extrajeron valores espectrales de 30 sitios sin cobertura para cada imagen y se agregaron a la base de datos

Clasificacioacuten supervisada

Con la finalidad de determinar la cobertura forestal en la zona se realizoacute una clasificacioacuten supervisada con la imagen Quickbird Esta se clasificoacute en tres categoriacuteas bosque no bosque y sombras para ello se empleoacute el programa ERDAS Imaginereg 2010 versioacuten 101 En total se obtuvieron 30 firmas espectrales 10 para bosque 10 para no bosque y 10 para sombras La clasificacioacuten de la parte boscosa se hizo ajustaacutendose al aacuterea que comprendieron los 64 sitios de muestreo


14

Clasificacioacuten orientada a objetos

La misma imagen se procesoacute con una aplicacioacuten de segmentacioacuten de multirresolucioacuten la cual se encarga de fragmentarla en regiones multipixel homogeacuteneas basadas en varios paraacutemetros definidos por el usuario Lo anterior puede influenciar el resultado del proceso de segmentacioacuten a traveacutes de la especificacioacuten y ponderacioacuten de los datos de entrada (Blaschke 2010)

El algoritmo de segmentacioacuten se describe como una teacutecnica de fusioacuten de las regiones en la que los piacutexeles individuales se conglomeran en objetos pequentildeos (Figura 4) seguido por iteraciones sucesivas en que los objetos pequentildeos se fusionan gradualmente en objetos maacutes grandes de tal manera que la heterogeneidad entre los objetos de la imagen resultante se minimiza (Chubey et al 2006)

Object-oriented classification

The same image was processed with a multiresolution segmentation application which broke it up into homogeneous multipixel regions based on user-defined parameters This process may influence the result of the segmentation process through specification and weighting of the input data (Blaschke 2010)

The segmentation algorithm is described as a technique for the fusion of those regions in which the individual pixels cluster into small objects (Figure 4) followed by successive iterations in which small objects gradually fuse into larger objects so that the heterogeneity among the objects of the resulting image is minimized (Chubey et al 2006)

Figura 4 Parte del proceso de clasificacioacuten orientada a objetosFigure 4 Object-oriented classification process

Los valores de cobertura obtenidos por sitio se adicionaron tambieacuten a la base de datos La validacioacuten de la precisioacuten en las clasificaciones en ambos casos se llevoacute a cabo mediante el caacutelculo del iacutendice Kappa y la matriz de exactitud promedio (Congalton y Kass 2009) con datos de campo independientes al inventario forestal descrito anteriormente

The values of the cover per site were also entered in the database The accuracy of the classifications in both cases was validated by estimating the kappa index and the overal accuracy matrix (Congalton and Kass 2009) with field data independent from the forest inventory described above


15

Relacioacuten de las variables forestales y espectrales

Pruebas de correlacioacuten Inicialmente se realizoacute un anaacutelisis de correlacioacuten de Pearson (r α=005

) entre los paraacutemetros forestales de densidad y la respuesta espectral captada en los piacutexeles de la imagen a traveacutes de los iacutendices de vegetacioacuten para determinar el grado de asociacioacuten entre las variables evaluadas

Anaacutelisis de regresioacuten (parameacutetrico) Mediante anaacutelisis de regresioacuten se determinoacute el tipo de relacioacuten existente entre los datos espectrales provenientes de la imagen satelital y las variables respuesta de intereacutes Las variables dependientes incluyeron paraacutemetros de densidad forestal Carbono total (Mgsitio) diaacutemetro normal promedio (cm) y altura total (m) Las variables independientes fueron los valores espectrales por banda y sus transformaciones matemaacuteticas (iacutendices de vegetacioacuten) y la variable respuesta de acuerdo a lo sugerido por Zheng et al (2004) y Aguirre-Salado et al (2009)

Se utilizoacute el procedimiento de regresioacuten stepwise para identificar a las variables que predicen mejor las variables de intereacutes El modelo utilizado fue de la forma

y = β0 + β

1X

1 + β

2X

2 + + β

nX

n+ε

Dondey = Paraacutemetro forestal por estimarXn = Bandas espectrales Iacutendices de Vegetacioacuten Cobertura de Copaβn = Coeficientes de regresioacutenε = Error aleatorio

La construccioacuten de los modelos de regresioacuten utilizoacute 85 de la base de datos de inventario mientras que 15 restante se usoacute para la validacioacuten de los modelos Como indicadores de ajuste se emplearon los coeficientes de determinacioacuten (R2) Ademaacutes para evaluar la capacidad predictiva de los modelos se calculoacute la raiacutez del error cuadraacutetico medio (RECM) y la raiacutez del error cuadraacutetico medio relativo (RECM ) Para todos los paraacutemetros se estimaron liacutemites de confianza a 95 (Kutner et al 2004)

La estimacioacuten de las variables forestales en el aacuterea de estudio se realizoacute multiplicando las ponderaciones o coeficientes obtenidos de las ecuaciones de cada banda espectral o IV para obtener la estimacioacuten espacialmente explicita de la variable de intereacutes

Correlation between the forest and spectral variables

Correlation tests A Pearsonrsquos analysis (rα=005) of the correlation

between the forest density parameters and the spectral response captured in the pixels of the image was carried out using the vegetation indexes to determine the degree of association between the evaluated variables

(Parametric) Regression analysis The type of relationship existing between the spectral data from the satellite image and the response variables of interest was determined The dependent variables included forest density parameters total carbon (Mgsite) mean diameter at breast height (cm) and total height (m) The independent variables were the spectral values per band and their mathematical transformations (vegetation indices) and the response variable was the parameter of interest as suggested by Zheng et al (2004) and Aguirre-Salado et al (2009)

The stepwise regression procedure was utilized to identify the variables that best predict the variables of interest The model was as follows

y = β

0+ β

1X

1+ β

2X

2 + + β

nX

n+ε

Wherey = Forest parameter to be estimatedXn= Spectral bands Vegetation indices Crown coverβn = Regression coefficientsε = Random error

The construction of the regression model took 85 of the inventory database while the remaining 15 was used to validate the models The adjustment indicators were the determination coefficients (R2) Furthermore the predictive capacity of the models was assessed by calculating the root mean square error (RMSE) and the relative root mean square error (RRMSE) 95 confidence intervals were estimated for all the parameters (Kutner et al 2004)

The forest variables in the study area were estimated by multiplying the weightings or coefficients calculated based on the equations of each spectral band or VI to obtain the spatially explicit estimate of the variable of interest


16

Resultados y Discusioacuten

Las imaacutegenes satelitales clasificadas permitieron discriminar los distintos elementos en la imagen agrupados principalmente en tres categoriacuteas Bosque No bosque y Sombra (Figura 5) De acuerdo al proceso de validacioacuten de las clasificaciones el iacutendice Kappa estuvo arriba de 096 en todos los casos mientras que la exactitud promedio arrojoacute valores superiores a 95 A partir de la clasificacioacuten se aislaron pixeles de bosque para utilizarlos en el caacutelculo de los promedios de valores espectrales al interior de la parcela de muestreo

Results and Discussion

The classified satellite images enabled discrimination between the various elements in the image grouped mainly into three categories forest non-forest and shade (Figure 5) According to the process for the validation of the classifications the Kappa index was above 096 in all cases while the overal accuracy yielded values above 95 Based on the classification the forest pixels were isolated and used to calculate the mean spectral values within the sampling plot

Figura 5 Categoriacuteas clasificadas en las imaacutegenes satelitalesFigure 5 Classified categories in the satellite images

Pruebas de correlacioacuten

En los cuadros 3 y 4 se resumen los valores estimados de las correlaciones para las imaacutegenes SPOT y Quickbird respectivamente Se observa en el caso de la imagen SPOT que los iacutendices espectrales asociados a la regioacuten del infrarrojo (B

3) mostraron correlaciones relativamente altas (gt050 α=005)

con los valores de carbono aeacutereo lo cual es congruente con registros hechos para bosques templados (Aguirre-Salado et

al 2009) Sin embargo en el caso de SPOT algunas de las correlaciones maacutes altas se presentaron en la regioacuten del verde (B1) El diaacutemetro normal y altura tuvieron correlaciones altas en

Correlation tests

Tables 3 and 4 summarize the estimated values of the correlations for the SPOT and Quickbird images respectively In the case of the SPOT image the spectral indices to be associated with the infrared region (B3) were observed to show relatively high correlations (gt050 α=005) with the aboveground carbon values consistently with the existing records for the temperate forests (Aguirre-Salado et al 2009) However in the case of SPOT some of the highest correlations occurred in the green region (B1) The diameter at breast height and height had high


17

la mayoriacutea de los valores extraiacutedos de la imagen tanto para valor central como valor promedio de la parcela

correlations in most of the values extracted from the image for both the central and mean values of the plot

Cuadro 3 Coeficientes de correlacioacuten imagen SPOT

Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC

Valor central de la parcela

C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DN -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072

Valor promedio de la parcela

C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DN -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

ALT -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072

C = Carbono total DN = Diaacutemetro normal ALT = Altura total Bn = Reflectancias de cada banda NDVI GARI TVI NDVI23

NDVI41

NDVI42

IKR IK

IRC = Iacutendices de

vegetacioacuten CC = Cobertura de copa

Table 3 Correlation coefficients in the spot SPOT image

Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC

Central value of the plot

C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DBH -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072

Mean value of the plot

C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DBH -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

H -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072

C = Total carbon DBH = Diameter at breast height H = Total height Bn = Reflectances of each band NDVI GARI TVI NDVI23

NDVI41

NDVI42

IKR IK

IRC= Vegetation

indices CC = Crown cover

En la imagen Quickbird (Cuadro 4) los paraacutemetros que registraron coeficientes de correlacioacuten altos (gt 06) fueron las bandas azul verde roja y la mayoriacutea de los iacutendices espectrales asociados a la regioacuten infrarroja del espectro electromagneacutetico

Cuadro 4 Coeficientes de correlacioacuten imagen Quickbird

Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DN -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

ALT -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077

Valor promedio

de la parcela

C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DN -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

ALT -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK



In the Quickbird image (Table 4) the parameters with high correlation coefficients (gt 06) were the blue green and red bands and most spectral indices associated with the infrared region of the electromagnetic spectrum


18

Table 4 Correlation coefficients in the Quickbird image

Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DBH -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

H -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077


C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DBH -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

H -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK

IRC= Vegetation


La correlacioacuten negativa obtenida para los paraacutemetros forestales contra las reflectancias y algunos iacutendices de vegetacioacuten de este trabajo concuerdan con lo indicado por Hall et al (2006) y Aguirre-Salado et al (2009) quienes explican que dicha correlacioacuten por la disminucioacuten del albedo en zonas con vegetacioacuten densa y cerrada Esta correlacioacuten negativa se acentuoacute en la banda 4 (Infrarroja) de la imagen SPOT 5 HRG (-060 a -075) y en la banda 3 (Roja) de la imagen Quickbird (-058 a -080)

Anaacutelisis de regresioacuten

En el Cuadro 5 se muestran los diferentes modelos de regresioacuten obtenidos mediante el anaacutelisis de regresioacuten stepwise a partir de los valores espectrales de la imagen SPOT 5 HRG y las coberturas

Cuadro 5 Modelos de regresioacuten obtenidos mediante la regresioacuten stepwise para la imagen SPOT 5 HRG

Variable Modelo R2 ajustada


C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DN (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

ALT (5) β0+β1(B

1) +β2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β5(IK

R) +β6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B4)+719(NDVI

41)-10034(IK

IRC) 079

DN 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

ALT4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093

C = Carbono total DN = Diaacutemetro normal ALT = Altura total Bn = Reflectancias

The negative correlation for the forest parameters against the reflectances and certain vegetation indices of this work agree with the findings of Hall et al (2006) and Aguirre-Salado et al (2009) who explain this correlation by the reduction of the albedo in areas with dense closed vegetation This negative correlation was increased in band 4 (Infrared) of the SPOT 5 HRG image (-060 to -075) and in band 3 (Red) of the Quickbird image (-058 to -080)

Regression analysis

Table 5 shows the different models of regression obtained by means of the stepwise regression analysis based on the spectral values of the SPOT 5 HRG image and the covers


19

Table 5 Regression models obtained through stepwise regression for the SPOT 5 HRG image

Variable Model Adjusted R2


C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DBH (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

H (5) β0+β

1(B

1) +β

2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β

5(IK

R) +β

6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B

4)+719(NDVI

41)-10034(IK

IRC) 079

DBH 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

H4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093

C = Total carbon DBH = Diameter at breast height H = Total height Bn =Reflectances

Se aprecia que las variables predictivas maacutes comunes para la mayoriacutea de los paraacutemetros forestales fueron la cobertura de copa algunos NDVI y los iacutendices K Los modelos con el coeficiente de determinacioacuten maacutes alto correspondieron a los de diaacutemetro normal y altura tanto para los valores centrales como para los valores promedio de la parcela

En el Cuadro 6 se observan los modelos de regresioacuten obtenidos para la imagen Quickbird en los que de manera similar las variables predictivas maacutes comunes fueron la clasificacioacuten orientada a objetos las reflectancias algunos NDV y los iacutendices K Los modelos de diaacutemetro normal y altura total resultaron con los coeficientes de determinacioacuten maacutes altos

Cuadro 6 Modelos de regresioacuten obtenidos mediante la regresioacuten Stepwise para la imagen Quickbird



C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DN(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

ALT (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DN 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

ALT -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086

C = Carbono total DN = Diaacutemetro normal ALT = Altura total

The most common predictive variables for most forest parameters were the crown cover certain NDVIs and the K indices The models with the highest determination coefficient corresponded to the diameter at breast height and height for both the mean and central values of the plot

Table 6 shows the regression models obtained for the Quickbird image in which the most common predictive values were similarly object-oriented classification reflectances certain NDVIs and the K indices The models of diameter at breast height and total height had the highest determination coefficients


20

Table 6 Regression models obtained using the Stepwise regression for the Quickbird image



C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DBH(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

H (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DBH 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

H -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086

C = Total carbon DBH = Diameter at breast height H = Total height

En el Cuadro 7 se consignan las estimaciones de carbono aeacutereo diaacutemetro normal y altura total para cada una de las imaacutegenes en las que se usaron los valores promedio de la parcela Se evidencia que los valores en ambas imaacutegenes son consistentes para las variables carbono aeacutereo y altura total

Cuadro 7 Estimaciones de paraacutemetros forestales por tipo de sensor

SPOT Quickbird

Media IC- IC+ R2 Media IC- IC+ R2

C 329 169 490 079 302 073 531 055

DN 2622 1601 3643 086 2671 1612 3731 084

Altura 1954 1447 2461 093 1953 1266 2640 086 = MgC = Centiacutemetros = Metros

Table 7 Forest parameter estimations by sensor type

SPOT Quickbird

Mean IC- IC+ R2 Media IC- IC+ R2

C 329 169 490 079 302 073 531 055

DBH 2622 1601 3643 086 2671 1612 3731 084

Height 1954 1447 2461 093 1953 1266 2640 086 = MgC = Centimeters = Meters

Estimacioacuten de error y validacioacuten

En el Cuadro 8 se presenta el valor de la raiacutez del error cuadraacutetico medio que se estimoacute para cada uno de los modelos utilizados En el caso del para carbono aeacutereo tanto absoluto (Mg) como relativo () fue menor a 079 y 26 respectivamente para ambas imaacutegenes Los resultados de este estudio mostraron que es posible estimar paraacutemetros forestales (altura total diaacutemetro normal carbono aeacutereo) con modelos de regresioacuten lineal muacuteltiple De acuerdo con la generacioacuten de las distintas ecuaciones mediante el procedimiento stepwise se observoacute para ambas imaacutegenes y tratamientos (valor central y valor

Table 7 lists the estimates of aboveground carbon diameter at breast height and total height for each of the images in which the mean values of the plot were used The values for the aboveground carbon and total height variables are visibly consistent in both images

Error estimation and validation

The root mean square error estimated for each of the utilized models is shown in Table 8 In the case of the aboveground carbon the root of both the absolute (Mg) and relative () error were below 079 and 26 respectively for both images The results of this study proved that it is possible to estimate forest parameters (total height diameter at breast height aboveground carbon) with multiple linear regression models According to the generation of the various equations using the stepwise procedures the determination coefficients were


21

observed to be acceptable (R2gt 055) for both images and treatments (the mean and central values of the plot)

Table 8 Error estimation for each variable

Variable

SPOT 5 HRG Image

Quickbird Image

RMSERRMSE

RMSE

RRMSE

Aboveground carbon

078 Mg 2389 077 Mg 2528

Diameter at breast height

515 cm 2013 1070 cm 4249

Height 250 m 1293 629 m 3324

The error associated to the aboveground carbon estimations was located within the interval documented by other authors For example Aguirre-Salado et al (2012b) reported a RRSME of 3681 for the aboveground biomass in linear models in the forests of the state of San Luis Potosiacute In another case in which information from SPOT images was used to estimate aboveground carbon in pine forests the RRSME was 3016 (Aguirre-Salado et al 2009)

The strong relationships occurring between the vegetation indices and the assessed forest parameters agree with the findings of other authors (Franklin 2001 Mora et al 2013 Ji et al 2015) especially the NDVI and therefore the spectral bands (R and IR) The NDVI is considered to be an indicator of the status of the vegetation as it is characterized by representing a clear contrast between the regions that correspond to the visible red and the near infrared (Franklin 2001)

Another common variable for most models was the K index (Lueacutevano et al 2006) the value of K is defined as the spectral value of the density of the components in the pixel besides it also takes into account the digital value of the pixels the total number of the species present and the total number of individuals in a specific area which for the purposes of this study was 1 000 m2

The models for estimating the diameter at breast height and total height had high determination coefficients for diameters (R2=086 y 084) and heights (R2=093 y 086) (plt001) for the SPOT and Quickbird sensors respectively The results suggest that when reliable estimates of the diameters and heights are available these can be applied to allometric equations which would substantially simplify the evaluations of carbon or volume in temperate forests It is important to point out that the conditions of the site (age diversity etc) were key for obtaining the models and results described above it is therefore necessary to evaluate the viability of this type of studies under different conditions from those that were presented in this study

promedio de la parcela) que los coeficientes de determinacioacuten resultaron aceptables (R2 gt 055)

Cuadro 8 Estimacioacuten del error para cada variable

Variable

Imagen SPOT 5 HRG

Imagen Quickbird

RECMRECM

RECM

RECM

Carbono aeacutereo 078 Mg 2389 077 Mg 2528

Diaacutemetro Normal 515 cm 2013 1070 cm 4249

Altura 250 m 1293 629 m 3324

El error asociado a las estimaciones de carbono aeacutereo se ubicoacute dentro del intervalo documentado por otros autores Por ejemplo Aguirre-Salado et al (2012b) citan para estimaciones de biomasa aeacuterea un RECM de 3681 en modelos lineales en bosques del estado de San Luis Potosiacute En otro caso en el cual se utiliza informacioacuten derivada de imaacutegenes SPOT para estimar carbono aeacutereo en bosques de pino se registra un RECM de 3016 (Aguirre-Salado et al 2009)

Las fuertes relaciones que presentaron los iacutendices de vegetacioacuten con los paraacutemetros forestales evaluados concuerda con lo sentildealado por otros autores (Franklin 2001 Mora et

al 2013 Ji et al 2015) en especial el NDVI y por consiguiente de las bandas espectrales (R e IR) El NDVI es considerado un indicador del estado de la vegetacioacuten debido a que se caracteriza por representar un claro contraste entre las regiones correspondientes al rojo visible y al infrarrojo cercano (Franklin 2001)

Otra de las variables que fue comuacuten para la mayoriacutea de los modelos fue el iacutendice K (Lueacutevano et al 2006) El valor de K se define como el valor espectral de la densidad de los componentes en el pixel ademaacutes de tomar en cuenta el valor digital de los pixeles el nuacutemero total de especies presentes y el nuacutemero total de individuos en un aacuterea especiacutefica que para el intereacutes de este estudio fue de 1 000 m2

Los modelos para estimar diaacutemetro normal y altura total tuvieron coeficientes de determinacioacuten altos para diaacutemetros (R2=086 y 084) y alturas (R2=093 y 086) (plt001) para los sensores SPOT y Quickbird respectivamente Los resultados sugieren que al tener estimaciones confiables de diaacutemetros y alturas estas se podriacutean utilizar para aplicarlos en las ecuaciones alomeacutetricas lo cual simplificariacutea sustantivamente las evaluaciones de carbono o volumen en bosques templados Es importante sentildealar que las condiciones del sitio (edad diversidad etceacutetera) fueron clave para la obtencioacuten de los modelos y resultados arriba descritos por lo que es necesario evaluar la viabilidad de


22

este tipo de estudios en condiciones diferentes a las que se presentaron en el presente trabajo

Aunque en teacuterminos de resolucioacuten espacial Quickbird es mejor que SPOT 5 HRG los resultados demuestran que contrario a lo que se esperaba SPOT 5 HRG tuvo los mejores modelos de ajuste en la mayoriacutea de los paraacutemetros forestales evaluados en especial diaacutemetros y alturas Los paraacutemetros forestales evaluados principalmente carbono estuvieron ligados a la respuesta espectral de la imagen (valores promedio principalmente) sin que el tipo de sensor jugara un papel demasiado importante en los resultados

Conclusiones

Los resultados sugieren que es posible estimar paraacutemetros forestales (altura total diaacutemetro normal carbono aeacutereo) a partir de datos espectrales de imaacutegenes satelitales Se corroboroacute la validez del uso de iacutendices espectrales de vegetacioacuten en la estimacioacuten de paraacutemetros forestales Los sensores utilizados mostraron consistencia en las relaciones entre los valores espectrales y el carbono lo que demuestra la utilidad y practicidad del uso de sensores remotos en la estimacioacuten de carbono almacenado El anaacutelisis comparativo entre los sensores empleados demostroacute que la alta resolucioacuten espacial no mejora sustancialmente las estimaciones de paraacutemetros forestales basadas en sensores remotos

Agradecimientos

La investigacioacuten fue financiada por el Consejo Nacional de Ciencia y Tecnologiacutea (Conacyt) a traveacutes del proyecto ldquoDefinicioacuten de acciones sobre el riesgo en materia de adaptacioacuten y vulnerabilidad para el sector primario ante el cambio climaacutetico para el Estado de Meacutexicordquo con Clave CONACYT EDOMEX-2008-01-103001 Los autores agradecen las valiosas sugerencias y aportaciones de los dos revisores anoacutenimos para la mejora sustancial del manuscrito original

Conflicto de intereses

Los autores declaran no tener conflicto de intereses

Contribuciones por autor

Gustavo Torres Rojas procesamiento y anaacutelisis de las imaacutegenes satelitales y datos de campo desarrollo de la investigacioacuten y anaacutelisis de los resultados Martiacuten Enrique Romero Saacutenchez conceptualizacioacuten formulacioacuten y realizacioacuten de la investigacioacuten redaccioacuten y correccioacuten del manuscrito Efraiacuten Velasco Bautista supervisioacuten del anaacutelisis estadiacutestico y contribucioacuten a las observaciones del manuscrito Antonio Gonzaacutelez Hernaacutendez recopilacioacuten y anaacutelisis de informacioacuten y revisioacuten del manuscrito

Although regarding spatial resolution Quickbird is better than SPOT 5 HRG the results show that contrary to the expectations SPOT 5 HRG had the best adjustment models in most evaluated forest parameters especially diameters and heights The evaluated forest parameters mainly carbon were linked to the spectral response of the image (primarily mean values) and the type of sensor did not play a major role in the results

Conclusions

It is possible to estimate forest parameters (total height diameter at breast height aboveground carbon) based on spectral data of satellite images The validity of the use of spectral vegetation indices in the estimation of forest parameters was corroborated The utilized sensors showed consistency in the relationships between the spectral values and the carbon which proves the usefulness and practicality of the use of remote sensing in the estimation of the stored carbon The comparative analysis between the sensors used demonstrated that high spatial resolution does not substantially improve the estimations of forest parameters based on remote sensing

Acknowledgements

This research was financed by the National Council of Science and Technology (Conacyt) through the ldquoDefinition of actions regarding the adaptation risk and vulnerability among the primary sector in the face of climate change for the State of Mexicordquo project with the CONACYT Code EDOMEX-2008-01-103001 The authors wish to express their gratitude for the valuable suggestions and contributions by the two anonymous reviewers for the substantial improvement of the original manuscript

Conflict of interests

The authors declare that they have no conflict of interests

Contributions by author

Gustavo Torres Rojas processing and analysis of the satellite images and field data development of the research and analysis of the results Martiacuten Enrique Romero Saacutenchez conceptualization formulation and conduction of the research drafting and correcting of the manuscript Efraiacuten Velasco Bautista supervision of the statistical analysis and contribution of observations to the manuscript Antonio Gonzaacutelez Hernaacutendez collection and analysis of information and revision of the manuscript

End of the English version


23

Referencias

Acosta M M J Vargas H A Velaacutezquez M A y J B Etchevers B 2002 Estimacioacuten del la biomasa aerea mediante el uso de relaciones alomeacutetricas en seis especies de arboreas en Oaxaca Meacutexico Agrociencia 36(6) 725ndash736

Aguirre-Salado C A J R Valdez-Lazalde G Aacutengeles-Peacuterez G H M de los Santos-Posadas R Haapanen y A I Aguirre-Salado 2009 Mapeo de carbono arboacutereo aeacutereo en bosques manejados de pino Patula en Hidalgo Meacutexico Agrociencia 43(2) 209ndash220

Aguirre-Salado C A E J Trevintildeo-Garza O A Aguirre-Calderoacuten J Jimeacutenez-Peacuterez M A Gonzaacutelez-Tagle L Miranda-Aragoacuten J R Valdez-Lazalde A I Aguirre-Salado and G Saacutenchez-Diacuteaz 2012a Forest Cover Mapping in North-Central Mexico A Comparison of Digital Image Processing Methods GIScience and Remote Sensing 49(6) 895ndash914

Aguirre-Salado C A E J Trevintildeo-Garza O A Aguirre-Calderoacuten J Jimeacutenez-Peacuterez M A Gonzaacutelez-Tagle J R Valdez-Lazalde L Miranda-Aragoacuten and A I Aguirre-Salado 2012b Construction of aboveground biomass models with remote sensing technology in the intertropical zone in Mexico Journal of Geographical Sciences 22(4) 669ndash680

Aguirre-Salado C A E J Trevintildeo-Garza O Aguirre-Calderoacuten J Jimeacutenez-Peacuterez M Gonzaacutelez-Tagle J R Valdeacutez-Lazalde G Saacutenchez-Diacuteaz R Haapanen A I Aguirre-Salado and L Miranda-Aragoacuten 2014 Mapping aboveground biomass by integrating geospatial and forest inventory data through a k-nearest neighbor strategy in North Central Mexico Journal of Arid Land 680-96 doi101007s40333-013-0191-x

Asner G P and J Mascaro 2014 Mapping tropical forest carbon Calibrating plot estimates to a simple LiDAR metric Remote Sensing of Environment 140614ndash624

Avendantildeo H D M M Acosta M F Carrillo A y J D Etchevers B 2009 Estimacioacuten de biomasa y carbono en un bosque de Abies religiosa Revista Fitotecnia Mexicana 32(3) 233ndash238

Avitabile V A Baccini M A Friedl and C Schmullius 2012 Capabilities and limitations of Landsat and land cover data for aboveground woody biomass estimation of Uganda Remote Sensing of Environment 117366ndash380

Ayala L R S B H J De Jong y H Ramiacuterez M 2001 Ecuaciones para estimar biomasa en la meseta central de Chiapas Revista Capingo Serie Ciencias Forestales y del Ambiente 7(2) 153ndash157

Blaschke T 2010 Object based image analysis for remote sensing ISPRS Journal Photogrammetry Remote Sensing 65(1) 2ndash16

Carrillo A F M Acosta M E Flores A J E Juaacuterez B y E Bonilla P 2014 Estimacioacuten de biomasa y carbono en dos especies arboacutereas en la Sierra Nevada Meacutexico Revista Mexicana de Ciencias Agriacutecolas 5(5) 779-793

Chaacutevez P S J 1996 Image-Based Atmospheric Corrections - Revisited and Improved Photogrammetric Engineering and Remote Sensing 62(9) 1025ndash1036

Chubey M S S EFranklin and M A Wulder 2006 Object-based analysis of Ikonos-2 imagery for extraction of forest inventory parameters Photogrammetric Engineering and Remote Sensing 72(2) 383ndash394

Congalton R and G Kass 2009 Assessing the Accuracy of Remotely Sensed Data Principles and Practices Second Edu ed CRC Press Taylor amp Francis Group Boca Raton FL USA 200 p

Deering D W J W Rouse R H Haas and J A Schell 1975 Measuring ldquoForage productionrdquo of grazing units from Landsat MSS data Proceedings of the 10th International Symposium on Remote Sensing of Environment October 6-10 Ann Arbor MI USA pp 1169ndash1178

Franklin S E 2001 Remote sensing for sustainable forest management Lewis NY New York 407 p

Gebhardt S T Wehrmann M A Muntildeoz R P Maeda J Bishop M Schramm R Kopeinig O Cartus J Kellndorfer R Ressl L A Santos and M Schmidt 2014 MAD-MEX Automatic Wall-to-Wall Land Cover Monitoring for the Mexican REDD-MRV Program Using All Landsat Data Remote Sensing 6(5) 3923ndash3943

Global Observation of Forest and Land Cover Dynamics (GOFC-GOLD) 2011 A sourcebook of methods and procedures for monitoring and reporting anthropogenic greenhouse gas emissions and removals caused by deforestation gain and losses of carbon stocks in forests remaining forests and forestation Report Version COP17-1 Alberta Canada 235 p

Hall R J R S Skakun E J Arsenault and B S Case 2006 Modeling forest stand structure attributes using Landsat ETM+ data Application to mapping of aboveground biomass and stand volume Forest Ecology of Managment 225 378ndash390

Haumlme T J Kilpi H A Ahola Y Rauste O Antropov M Rautiainen L Sirro and S Bounpone 2013 Improved mapping of tropical forests with optical and sar imagery part i Forest cover and accuracy assessment using multi-resolution data IEEE Journal of Selected Topics in Applied Earth Observations Remote Sensing 6(1) 74ndash91

Herold M R M Romaacuten-Cuesta D Mollicone Y Hirata P Van Laake G P Asner C Souza M Skutsch V Avitabile and K Macdicken 2011 Options for monitoring and estimating historical carbon emissions from forest degradation in the context of REDD+ Carbon Balance and Management 6 1-13

Huete A R 1988 A soil-adjusted vegetation index (SAVI) Remote Sensing of Environment 25(3) 295ndash309

Ji L B K Wylie D R N Brown B Peterson H D Alexander M C Mack J Rover M P Waldrop J W Farland X Chen and N J Pastick 2015 Spatially explicit estimation of aboveground boreal forest biomass in the Yukon River Basin Alaska International Journal of Remote Sensing 36(4) 939ndash953

Krause K 2005 Radiometric Use of QuickBird Imagery Digital Globe Inc Thecnical Note World Westminster CO USA pp 1-18

Kutner M C Nachtsheim J Neter and W Li 2004 Applied linear statistical models 5th Edition ed McGraw-HillIrwin Chicago IL USA1396 p

Lueacutevano R K O Lueacutevano G Reyes W Ritter G A Martiacutenez H Rodriacuteguez y E Olivares 2006 El iacutendice Ka un nuevo algoritmo para analizar los componentes de la superficie terrestre en imaacutegenes de sateacutelite Ciencia UNANL 19(2) 171ndash178

Miranda-Aragoacuten L E J Trevintildeo-Garza J Jimeacutenez-Peacuterez O A Aguirre-Calderoacuten M A Gonzaacutelez-Tagle M Pompa-Garciacutea y C A Aguirre-Salado 2013 Tasa de deforestacioacuten en San Luis Potosiacute meacutexico (1993-2007) Revista Chapingo Serie Ciencias Forestales y del Ambiente 19(2) 201ndash215

Mora B M Wulder J White and G Hobart 2013 Modeling Stand Height Volume and Biomass from Very High Spatial Resolution Satellite Imagery and Samples of Airborne LiDAR Remote Sensing 5(5) 2308ndash2326

Protectora de Bosques del Estado de Meacutexico (Probosque) 2010 Inventario Forestal 2010 Metepec Edo de Meacutex Meacutexico 93 p

Rao P P N and A Mohankumar 1994 Cropland inventory in the command area of Krishnarajasagar project using satellite data International Journal of Remote Sensing 15(6) 1295ndash1305

Romero-Saacutenchez E F Paz-Pellat E Palacios-Veacutelez M Bolantildeos-Gonzaacutelez R Valdez-Lazalde y A Aldrete 2009 Disentildeo de un iacutendice espectral de la vegetacioacuten desde una perspectiva conjunta de los patrones exponenciales y lineales del crecimiento Agrociencia 43(3) 291ndash307

Rouse J W J R H Hass J A Schell and D W Deering 1974 Monitoring Vegetation Systems in the Great Plains with Erts NASA editors Washington DC USA pp 309-317

Roy D P M A Wulder T R Loveland C E Woodcock R G Allen M C Anderson D Helder J R Irons D M Johnson R Kennedy T A Scambos C B Schaaf J R Schott Y Sheng E F Vermote A S Belward R Bindschadler W B Cohen F Gao J D Hipple P Hostert J Huntington C O Justice A Kilic V Kovalskyy Z P Lee L Lymburner J G Masek J McCorkel Y Shuai R Trezza J Vogelmann R H Wynne and Z Zhu 2014 Landsat-8 Science and product vision for terrestrial global change research Remote Sensing of Environment 145 154ndash172


24

Song C 2013 Optical remote sensing of forest leaf area index and biomass Progress in Physical Geography 37 98ndash113

Soudani K C Franccedilois G le Maire V Le Dantec and E Dufrecircne 2006 Comparative analysis of IKONOS SPOT and ETM+ data for leaf area index estimation in temperate coniferous and deciduous forest stands Remote Sensing of Environment 102(1-2) 161ndash175

Thenkabail P S E AEnclona M S Ashton C Legg and M J De Dieu 2004 Hyperion IKONOS ALI and ETM+ sensors in the study of African rainforests Remote Sensing of Environment 90(1) 23ndash43

Valdez-Lazalde J R M J Gonzaacutelez-Guilleacuten y H M de los Santos-Posadas 2006 Estimacioacuten de cobertura arboacuterea mediante imaacutegenes satelitales multiespectrales de alta resolucioacuten Agrociencia 40(3) 383ndash394

Velasco B E M E Romero S A Gonzaacutelez H F Moreno S y R Peacuterez M 2012 Funciones de Biomasa y Carbono Aereo aplicable a arboles de Pinus pseudostrobus Lindl en Mexico Cuadernos de la Sociedad Espantildeola de Ciencias Forestales 34 315ndash319

Woodcock C E R Allen M Anderson A Belward R Bindschadler W Cohen F Gao S N Goward D Helder E Helmer R Nemani L Oreopoulos J Schott P S Thenkabail E F Vermote J Vogelmann M A Wulder and R Wynne 2008 Free access to Landsat imagery Science 320(5879) 1011-1013

Wulder M A J C White S N Goward J G Masek J R Irons M Herold W B Cohen T R Loveland and C E Woodcock 2008 Landsat continuity Issues and opportunities for land cover monitoring Remote Sensing of Environment 112(3) 955ndash969

Wulder M A J G Masek W B Cohen T R Loveland and C E Woodcock 2012 Opening the archive How free data has enabled the science and monitoring promise of Landsat Remote Sensing of Environment 122 2ndash10

Wulder M A S M Ortlepp J C White and S Maxwell 2014 Evaluation of Landsat-7 SLC-off image products for forest change detection Canadian Journal of Remote Sensing 34(2) 93ndash99

Zheng D J Rademacher J Chen T Crow M Bresee J Le Moine and S-R Ryu 2004 Estimating aboveground biomass using Landsat 7 ETM+ data across a managed landscape in northern Wisconsin USA Remote Sensing of Environment 93(3) 402ndash411


8

Introduction

Remote sensing applied to forest management comprises mainly four categories forest cover classification estimation of forest attributes detection of changes in the forest and spatial modeling (Franklin 2001) Among these the estimation of forest attributes using remote sensing is of particular sense in the area of sustainable forest management as it offers the possibility to obtain consistent coherent and transparent information besides explicit spatial information in areas with difficult access (Herold et al 2011) Since the last decade the estimation of forest variable has evolved from an activity based mainly on field forest inventories to an endeavor assisted by remote sensing (Miranda-Aragoacuten et al 2013 Asner and Mascaro 2014)

Ongoing progress in the improvement of the capacities of the various types of sensors provides an opportunity to develop analysis techniques to maximize the capabilities of the available satellite platforms

The estimation of biophysical parameters (measured in forest inventories) is based on remote sensing which comprises both statistical and physical methods (Haumlme et al 2013) The former use estimates under the assumption of a good statistical correlation between the satellite data and the variables of interest (Aguirre-Salado et al 2012a Song 2013 Wulder et al 2014) The latter consist in carrying out direct measurements in the field and using these as auxiliary variables in the estimation procedures (GOFC-GOLD 2011)

The improvement of the platforms and sensors in terms of spatial temporal and radiometric resolution (Roy et al 2014) as well as free access to the satellite databases (Woodcock et al 2008) has made possible to exponentially increase research based on biophysical information obtained from multispectral satellite images in the last few years (Wulder et al 2008 2012)Access to high spatial resolution satellite images (eg Quickbirdreg Geoeyereg) enables new options for the indirect estimation of the biophysical characteristics of the trees whereby the cost of estimating them based on traditional inventories is minimized (Valdez-Lazalde et al 2006)

In Mexico the use of satellite technology has focused on the detection of changes in the tree cover (Valdez-Lazalde et al 2006 Aguirre-Salado et al 2012 Gebhardt et al 2014) and forest management monitoring has been directed primarily at such variables as basal area biomass (Aguirre-Salado et al 2014) and secondly at the estimation of the standing volume and certain important dasometric variables for forest management such as diameter at breast heigh and total height

Introduccioacuten

La percepcioacuten remota aplicada al manejo forestal comprende principalmente cuatro categoriacuteas clasificacioacuten de la cobertura forestal estimacioacuten de atributos forestales deteccioacuten de cambios en el bosque y modelado espacial (Franklin 2001) Dentro de estas la estimacioacuten de atributos forestales mediante sensores remotos es de particular intereacutes en el aacuterea de manejo forestal sustentable ya que ofrece la posibilidad de obtener informacioacuten consistente coherente y transparente ademaacutes de la de tipo espacial expliacutecita en aacutereas de difiacutecil acceso (Herold et al 2011) Desde la deacutecada pasada el caacutelculo de variables forestales ha evolucionado de una actividad basada sobre todo en inventarios forestales en campo a un esfuerzo asistido por sensores remotos (Miranda-Aragoacuten et al 2013 Asner y Mascaro 2014)

El continuo avance en el mejoramiento de las capacidades de los diferentes tipos de sensores ofrece la oportunidad de desarrollar teacutecnicas de anaacutelisis que maximicen las capacidades de las plataformas satelitales disponibles

La estimacioacuten de paraacutemetros biofiacutesicos (medidos en los inventarios forestales) a partir de sensores remotos se divide principalmente en meacutetodos estadiacutesticos y fiacutesicos (Haumlme et al 2013)Los primeros usan estimaciones bajo el supuesto de una buena correlacioacuten estadiacutestica entre datos satelitales y las variables de intereacutes (Aguirre-Salado et al 2012a Song 2013 Wulder et al 2014) Los segundos consisten en realizar mediciones directas en campo de manera tal que sirvan como variables auxiliares en las estimaciones (GOFC-GOLD 2011)

La mejora de las plataformas y sensores en teacuterminos de resolucioacuten espacial temporal y radiomeacutetrica (Roy et al 2014)asiacute como el acceso a bases de datos satelitales de forma gratuita (Woodcock et al 2008) permitioacute que la investigacioacuten relacionada con la extraccioacuten de informacioacuten biofiacutesica de imaacutegenes satelitales multiespectrales se haya incrementado exponencialmente en los uacuteltimos antildeos (Wulder et al 2008 2012) El acceso a imaacutegenes satelitales de alta resolucioacuten espacial (eg Quickbirdreg Geoeyereg) posibilita nuevas opciones para la estimacioacuten de caracteriacutesticas biofiacutesicas del arbolado de manera indirecta lo cual minimiza el costo de hacerlo mediante inventarios tradicionales (Valdez-Lazalde et al 2006)

En Meacutexico la utilizacioacuten de tecnologiacutea satelital se ha enfocado a la deteccioacuten de cambios en la cobertura arboacuterea ( Valdez-Lazalde et al 2006 Aguirre-Salado et al 2012 Gebhardt et al 2014) y el monitoreo aplicado al manejo forestal se ha encaminado baacutesicamente a variables tales como aacuterea basal biomasa aacuterea (Aguirre-Salado et al 2014) y en segundo plano las estimaciones de volumen en pie y algunas variables dasomeacutetricas importantes para el manejo forestal diaacutemetro normal y altura total


9















10

Datos de inventario


Inventory data






11





















12





















13





















14











15






y = β0 + β

1X

1 + β

2X

2 + + β

nX

n+ε









y = β

0+ β

1X

1+ β

2X

2 + + β

nX

n+ε





16











Correlation tests



17




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DN -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DN -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

ALT -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DBH -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DBH -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

H -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK

IRC= Vegetation




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DN -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

ALT -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077

Valor promedio

de la parcela

C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DN -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

ALT -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK





18


Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DBH -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

H -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077


C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DBH -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

H -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK

IRC= Vegetation








C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DN (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

ALT (5) β0+β1(B

1) +β2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β5(IK

R) +β6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B4)+719(NDVI

41)-10034(IK

IRC) 079

DN 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

ALT4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093



Regression analysis



19




C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DBH (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

H (5) β0+β

1(B

1) +β

2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β

5(IK

R) +β

6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B

4)+719(NDVI

41)-10034(IK

IRC) 079

DBH 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

H4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093







C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DN(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

ALT (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DN 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

ALT -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086





20




C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DBH(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

H (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DBH 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

H -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086




SPOT Quickbird


C 329 169 490 079 302 073 531 055

DN 2622 1601 3643 086 2671 1612 3731 084



SPOT Quickbird


C 329 169 490 079 302 073 531 055

DBH 2622 1601 3643 086 2671 1612 3731 084








21



Variable

SPOT 5 HRG Image

Quickbird Image

RMSERRMSE

RMSE

RRMSE

Aboveground carbon

078 Mg 2389 077 Mg 2528


515 cm 2013 1070 cm 4249

Height 250 m 1293 629 m 3324







Variable

Imagen SPOT 5 HRG

Imagen Quickbird

RECMRECM

RECM

RECM



Altura 250 m 1293 629 m 3324







22



Conclusiones


Agradecimientos







Conclusions


Acknowledgements








23

Referencias



































24












9















10

Datos de inventario


Inventory data






11





















12





















13





















14











15






y = β0 + β

1X

1 + β

2X

2 + + β

nX

n+ε









y = β

0+ β

1X

1+ β

2X

2 + + β

nX

n+ε





16











Correlation tests



17




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DN -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DN -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

ALT -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DBH -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DBH -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

H -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK

IRC= Vegetation




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DN -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

ALT -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077

Valor promedio

de la parcela

C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DN -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

ALT -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK





18


Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DBH -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

H -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077


C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DBH -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

H -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK

IRC= Vegetation








C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DN (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

ALT (5) β0+β1(B

1) +β2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β5(IK

R) +β6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B4)+719(NDVI

41)-10034(IK

IRC) 079

DN 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

ALT4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093



Regression analysis



19




C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DBH (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

H (5) β0+β

1(B

1) +β

2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β

5(IK

R) +β

6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B

4)+719(NDVI

41)-10034(IK

IRC) 079

DBH 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

H4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093







C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DN(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

ALT (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DN 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

ALT -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086





20




C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DBH(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

H (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DBH 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

H -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086




SPOT Quickbird


C 329 169 490 079 302 073 531 055

DN 2622 1601 3643 086 2671 1612 3731 084



SPOT Quickbird


C 329 169 490 079 302 073 531 055

DBH 2622 1601 3643 086 2671 1612 3731 084








21



Variable

SPOT 5 HRG Image

Quickbird Image

RMSERRMSE

RMSE

RRMSE

Aboveground carbon

078 Mg 2389 077 Mg 2528


515 cm 2013 1070 cm 4249

Height 250 m 1293 629 m 3324







Variable

Imagen SPOT 5 HRG

Imagen Quickbird

RECMRECM

RECM

RECM



Altura 250 m 1293 629 m 3324







22



Conclusiones


Agradecimientos







Conclusions


Acknowledgements








23

Referencias



































24












10

Datos de inventario


Inventory data






11





















12





















13





















14











15






y = β0 + β

1X

1 + β

2X

2 + + β

nX

n+ε









y = β

0+ β

1X

1+ β

2X

2 + + β

nX

n+ε





16











Correlation tests



17




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DN -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DN -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

ALT -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DBH -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DBH -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

H -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK

IRC= Vegetation




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DN -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

ALT -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077

Valor promedio

de la parcela

C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DN -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

ALT -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK





18


Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DBH -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

H -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077


C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DBH -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

H -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK

IRC= Vegetation








C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DN (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

ALT (5) β0+β1(B

1) +β2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β5(IK

R) +β6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B4)+719(NDVI

41)-10034(IK

IRC) 079

DN 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

ALT4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093



Regression analysis



19




C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DBH (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

H (5) β0+β

1(B

1) +β

2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β

5(IK

R) +β

6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B

4)+719(NDVI

41)-10034(IK

IRC) 079

DBH 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

H4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093







C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DN(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

ALT (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DN 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

ALT -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086





20




C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DBH(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

H (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DBH 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

H -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086




SPOT Quickbird


C 329 169 490 079 302 073 531 055

DN 2622 1601 3643 086 2671 1612 3731 084



SPOT Quickbird


C 329 169 490 079 302 073 531 055

DBH 2622 1601 3643 086 2671 1612 3731 084








21



Variable

SPOT 5 HRG Image

Quickbird Image

RMSERRMSE

RMSE

RRMSE

Aboveground carbon

078 Mg 2389 077 Mg 2528


515 cm 2013 1070 cm 4249

Height 250 m 1293 629 m 3324







Variable

Imagen SPOT 5 HRG

Imagen Quickbird

RECMRECM

RECM

RECM



Altura 250 m 1293 629 m 3324







22



Conclusiones


Agradecimientos







Conclusions


Acknowledgements








23

Referencias



































24












11





















12





















13





















14











15






y = β0 + β

1X

1 + β

2X

2 + + β

nX

n+ε









y = β

0+ β

1X

1+ β

2X

2 + + β

nX

n+ε





16











Correlation tests



17




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DN -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DN -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

ALT -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DBH -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DBH -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

H -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK

IRC= Vegetation




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DN -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

ALT -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077

Valor promedio

de la parcela

C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DN -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

ALT -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK





18


Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DBH -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

H -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077


C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DBH -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

H -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK

IRC= Vegetation








C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DN (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

ALT (5) β0+β1(B

1) +β2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β5(IK

R) +β6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B4)+719(NDVI

41)-10034(IK

IRC) 079

DN 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

ALT4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093



Regression analysis



19




C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DBH (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

H (5) β0+β

1(B

1) +β

2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β

5(IK

R) +β

6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B

4)+719(NDVI

41)-10034(IK

IRC) 079

DBH 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

H4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093







C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DN(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

ALT (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DN 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

ALT -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086





20




C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DBH(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

H (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DBH 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

H -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086




SPOT Quickbird


C 329 169 490 079 302 073 531 055

DN 2622 1601 3643 086 2671 1612 3731 084



SPOT Quickbird


C 329 169 490 079 302 073 531 055

DBH 2622 1601 3643 086 2671 1612 3731 084








21



Variable

SPOT 5 HRG Image

Quickbird Image

RMSERRMSE

RMSE

RRMSE

Aboveground carbon

078 Mg 2389 077 Mg 2528


515 cm 2013 1070 cm 4249

Height 250 m 1293 629 m 3324







Variable

Imagen SPOT 5 HRG

Imagen Quickbird

RECMRECM

RECM

RECM



Altura 250 m 1293 629 m 3324







22



Conclusiones


Agradecimientos







Conclusions


Acknowledgements








23

Referencias



































24












12





















13





















14











15






y = β0 + β

1X

1 + β

2X

2 + + β

nX

n+ε









y = β

0+ β

1X

1+ β

2X

2 + + β

nX

n+ε





16











Correlation tests



17




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DN -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DN -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

ALT -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DBH -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DBH -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

H -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK

IRC= Vegetation




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DN -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

ALT -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077

Valor promedio

de la parcela

C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DN -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

ALT -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK





18


Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DBH -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

H -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077


C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DBH -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

H -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK

IRC= Vegetation








C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DN (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

ALT (5) β0+β1(B

1) +β2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β5(IK

R) +β6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B4)+719(NDVI

41)-10034(IK

IRC) 079

DN 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

ALT4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093



Regression analysis



19




C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DBH (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

H (5) β0+β

1(B

1) +β

2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β

5(IK

R) +β

6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B

4)+719(NDVI

41)-10034(IK

IRC) 079

DBH 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

H4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093







C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DN(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

ALT (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DN 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

ALT -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086





20




C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DBH(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

H (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DBH 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

H -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086




SPOT Quickbird


C 329 169 490 079 302 073 531 055

DN 2622 1601 3643 086 2671 1612 3731 084



SPOT Quickbird


C 329 169 490 079 302 073 531 055

DBH 2622 1601 3643 086 2671 1612 3731 084








21



Variable

SPOT 5 HRG Image

Quickbird Image

RMSERRMSE

RMSE

RRMSE

Aboveground carbon

078 Mg 2389 077 Mg 2528


515 cm 2013 1070 cm 4249

Height 250 m 1293 629 m 3324







Variable

Imagen SPOT 5 HRG

Imagen Quickbird

RECMRECM

RECM

RECM



Altura 250 m 1293 629 m 3324







22



Conclusiones


Agradecimientos







Conclusions


Acknowledgements








23

Referencias



































24












13





















14











15






y = β0 + β

1X

1 + β

2X

2 + + β

nX

n+ε









y = β

0+ β

1X

1+ β

2X

2 + + β

nX

n+ε





16











Correlation tests



17




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DN -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DN -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

ALT -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DBH -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DBH -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

H -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK

IRC= Vegetation




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DN -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

ALT -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077

Valor promedio

de la parcela

C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DN -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

ALT -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK





18


Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DBH -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

H -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077


C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DBH -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

H -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK

IRC= Vegetation








C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DN (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

ALT (5) β0+β1(B

1) +β2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β5(IK

R) +β6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B4)+719(NDVI

41)-10034(IK

IRC) 079

DN 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

ALT4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093



Regression analysis



19




C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DBH (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

H (5) β0+β

1(B

1) +β

2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β

5(IK

R) +β

6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B

4)+719(NDVI

41)-10034(IK

IRC) 079

DBH 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

H4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093







C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DN(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

ALT (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DN 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

ALT -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086





20




C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DBH(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

H (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DBH 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

H -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086




SPOT Quickbird


C 329 169 490 079 302 073 531 055

DN 2622 1601 3643 086 2671 1612 3731 084



SPOT Quickbird


C 329 169 490 079 302 073 531 055

DBH 2622 1601 3643 086 2671 1612 3731 084








21



Variable

SPOT 5 HRG Image

Quickbird Image

RMSERRMSE

RMSE

RRMSE

Aboveground carbon

078 Mg 2389 077 Mg 2528


515 cm 2013 1070 cm 4249

Height 250 m 1293 629 m 3324







Variable

Imagen SPOT 5 HRG

Imagen Quickbird

RECMRECM

RECM

RECM



Altura 250 m 1293 629 m 3324







22



Conclusiones


Agradecimientos







Conclusions


Acknowledgements








23

Referencias



































24












14











15






y = β0 + β

1X

1 + β

2X

2 + + β

nX

n+ε









y = β

0+ β

1X

1+ β

2X

2 + + β

nX

n+ε





16











Correlation tests



17




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DN -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DN -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

ALT -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DBH -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DBH -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

H -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK

IRC= Vegetation




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DN -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

ALT -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077

Valor promedio

de la parcela

C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DN -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

ALT -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK





18


Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DBH -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

H -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077


C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DBH -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

H -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK

IRC= Vegetation








C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DN (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

ALT (5) β0+β1(B

1) +β2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β5(IK

R) +β6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B4)+719(NDVI

41)-10034(IK

IRC) 079

DN 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

ALT4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093



Regression analysis



19




C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DBH (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

H (5) β0+β

1(B

1) +β

2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β

5(IK

R) +β

6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B

4)+719(NDVI

41)-10034(IK

IRC) 079

DBH 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

H4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093







C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DN(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

ALT (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DN 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

ALT -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086





20




C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DBH(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

H (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DBH 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

H -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086




SPOT Quickbird


C 329 169 490 079 302 073 531 055

DN 2622 1601 3643 086 2671 1612 3731 084



SPOT Quickbird


C 329 169 490 079 302 073 531 055

DBH 2622 1601 3643 086 2671 1612 3731 084








21



Variable

SPOT 5 HRG Image

Quickbird Image

RMSERRMSE

RMSE

RRMSE

Aboveground carbon

078 Mg 2389 077 Mg 2528


515 cm 2013 1070 cm 4249

Height 250 m 1293 629 m 3324







Variable

Imagen SPOT 5 HRG

Imagen Quickbird

RECMRECM

RECM

RECM



Altura 250 m 1293 629 m 3324







22



Conclusiones


Agradecimientos







Conclusions


Acknowledgements








23

Referencias



































24












15






y = β0 + β

1X

1 + β

2X

2 + + β

nX

n+ε









y = β

0+ β

1X

1+ β

2X

2 + + β

nX

n+ε





16











Correlation tests



17




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DN -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DN -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

ALT -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DBH -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DBH -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

H -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK

IRC= Vegetation




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DN -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

ALT -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077

Valor promedio

de la parcela

C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DN -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

ALT -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK





18


Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DBH -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

H -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077


C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DBH -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

H -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK

IRC= Vegetation








C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DN (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

ALT (5) β0+β1(B

1) +β2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β5(IK

R) +β6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B4)+719(NDVI

41)-10034(IK

IRC) 079

DN 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

ALT4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093



Regression analysis



19




C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DBH (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

H (5) β0+β

1(B

1) +β

2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β

5(IK

R) +β

6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B

4)+719(NDVI

41)-10034(IK

IRC) 079

DBH 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

H4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093







C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DN(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

ALT (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DN 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

ALT -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086





20




C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DBH(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

H (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DBH 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

H -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086




SPOT Quickbird


C 329 169 490 079 302 073 531 055

DN 2622 1601 3643 086 2671 1612 3731 084



SPOT Quickbird


C 329 169 490 079 302 073 531 055

DBH 2622 1601 3643 086 2671 1612 3731 084








21



Variable

SPOT 5 HRG Image

Quickbird Image

RMSERRMSE

RMSE

RRMSE

Aboveground carbon

078 Mg 2389 077 Mg 2528


515 cm 2013 1070 cm 4249

Height 250 m 1293 629 m 3324







Variable

Imagen SPOT 5 HRG

Imagen Quickbird

RECMRECM

RECM

RECM



Altura 250 m 1293 629 m 3324







22



Conclusiones


Agradecimientos







Conclusions


Acknowledgements








23

Referencias



































24












16











Correlation tests



17




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DN -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DN -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

ALT -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DBH -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DBH -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

H -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK

IRC= Vegetation




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DN -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

ALT -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077

Valor promedio

de la parcela

C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DN -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

ALT -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK





18


Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DBH -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

H -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077


C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DBH -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

H -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK

IRC= Vegetation








C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DN (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

ALT (5) β0+β1(B

1) +β2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β5(IK

R) +β6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B4)+719(NDVI

41)-10034(IK

IRC) 079

DN 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

ALT4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093



Regression analysis



19




C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DBH (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

H (5) β0+β

1(B

1) +β

2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β

5(IK

R) +β

6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B

4)+719(NDVI

41)-10034(IK

IRC) 079

DBH 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

H4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093







C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DN(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

ALT (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DN 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

ALT -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086





20




C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DBH(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

H (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DBH 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

H -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086




SPOT Quickbird


C 329 169 490 079 302 073 531 055

DN 2622 1601 3643 086 2671 1612 3731 084



SPOT Quickbird


C 329 169 490 079 302 073 531 055

DBH 2622 1601 3643 086 2671 1612 3731 084








21



Variable

SPOT 5 HRG Image

Quickbird Image

RMSERRMSE

RMSE

RRMSE

Aboveground carbon

078 Mg 2389 077 Mg 2528


515 cm 2013 1070 cm 4249

Height 250 m 1293 629 m 3324







Variable

Imagen SPOT 5 HRG

Imagen Quickbird

RECMRECM

RECM

RECM



Altura 250 m 1293 629 m 3324







22



Conclusiones


Agradecimientos







Conclusions


Acknowledgements








23

Referencias



































24












17




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DN -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DN -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

ALT -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -055 -055 -049 -020 045 034 -045 -021 012 -026 037 033 052

DBH -067 -067 -060 -043 055 041 -055 -043 -005 -046 069 064 064

ALT -076 -076 -061 -048 066 051 -066 -046 -003 -053 068 065 072


C -055 -055 -052 -056 048 039 -048 -056 -031 -054 037 032 052

DBH -066 -067 -058 -067 062 054 -062 -063 -028 -066 069 066 064

H -075 -075 -061 -075 072 063 -072 -069 -026 -075 069 067 072


NDVI41

NDVI42

IKR IK

IRC= Vegetation




Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DN -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

ALT -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077

Valor promedio

de la parcela

C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DN -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

ALT -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK





18


Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DBH -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

H -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077


C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DBH -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

H -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK

IRC= Vegetation








C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DN (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

ALT (5) β0+β1(B

1) +β2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β5(IK

R) +β6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B4)+719(NDVI

41)-10034(IK

IRC) 079

DN 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

ALT4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093



Regression analysis



19




C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DBH (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

H (5) β0+β

1(B

1) +β

2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β

5(IK

R) +β

6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B

4)+719(NDVI

41)-10034(IK

IRC) 079

DBH 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

H4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093







C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DN(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

ALT (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DN 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

ALT -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086





20




C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DBH(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

H (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DBH 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

H -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086




SPOT Quickbird


C 329 169 490 079 302 073 531 055

DN 2622 1601 3643 086 2671 1612 3731 084



SPOT Quickbird


C 329 169 490 079 302 073 531 055

DBH 2622 1601 3643 086 2671 1612 3731 084








21



Variable

SPOT 5 HRG Image

Quickbird Image

RMSERRMSE

RMSE

RRMSE

Aboveground carbon

078 Mg 2389 077 Mg 2528


515 cm 2013 1070 cm 4249

Height 250 m 1293 629 m 3324







Variable

Imagen SPOT 5 HRG

Imagen Quickbird

RECMRECM

RECM

RECM



Altura 250 m 1293 629 m 3324







22



Conclusiones


Agradecimientos







Conclusions


Acknowledgements








23

Referencias



































24












18


Variable B1

B2

B3

B4

NDVI TVI NDVI23

NDVI41

NDVI42

NDVI43

IKR

IKIRC

CC


C -058 -057 -060 -002 064 -058 -064 050 060 043 042 055 059

DBH -070 -069 -070 -014 071 -075 -071 051 065 075 072 058 071

H -075 -074 -075 -011 077 -077 -077 058 072 076 074 066 077


C -060 -062 -064 -037 066 -072 -067 043 061 053 052 -036 068

DBH -068 -071 -074 -040 077 -081 -078 051 071 079 078 -039 078

H -075 -077 -080 -044 083 -087 -084 056 077 078 077 -039 084


NDVI41

NDVI42

IKR IK

IRC= Vegetation








C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DN (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

ALT (5) β0+β1(B

1) +β2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β5(IK

R) +β6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B4)+719(NDVI

41)-10034(IK

IRC) 079

DN 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

ALT4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093



Regression analysis



19




C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DBH (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

H (5) β0+β

1(B

1) +β

2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β

5(IK

R) +β

6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B

4)+719(NDVI

41)-10034(IK

IRC) 079

DBH 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

H4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093







C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DN(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

ALT (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DN 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

ALT -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086





20




C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DBH(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

H (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DBH 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

H -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086




SPOT Quickbird


C 329 169 490 079 302 073 531 055

DN 2622 1601 3643 086 2671 1612 3731 084



SPOT Quickbird


C 329 169 490 079 302 073 531 055

DBH 2622 1601 3643 086 2671 1612 3731 084








21



Variable

SPOT 5 HRG Image

Quickbird Image

RMSERRMSE

RMSE

RRMSE

Aboveground carbon

078 Mg 2389 077 Mg 2528


515 cm 2013 1070 cm 4249

Height 250 m 1293 629 m 3324







Variable

Imagen SPOT 5 HRG

Imagen Quickbird

RECMRECM

RECM

RECM



Altura 250 m 1293 629 m 3324







22



Conclusiones


Agradecimientos







Conclusions


Acknowledgements








23

Referencias



































24












19




C (1) β0+β

1(CC)+ β

2(IK

R)+ β

3(IK

IRC) 056

DBH (4) β0+β

1(CC)+β

2(IK

R)+β

3(IK

IRC) 092

H (5) β0+β

1(B

1) +β

2(B

2) +β

3(NDVI

41) +β

4(NDVI

42) +β

5(IK

R) +β

6(IK

IRC) 095


C -011+231(CC)+2346(B3)-2928(B

4)+719(NDVI

41)-10034(IK

IRC) 079

DBH 3232-20334(TVI)-52693(NDVI23

)-37779(NDVI42

)+34094(NDVI43

)+977465(IKR) 086

H4784-3052(TVI)-45374(NDVI

23)+7103(NDVI

41)-31372(NDVI

42)+

2137(NDVI43

)+17108(IKIRC

)093







C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DN(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

ALT (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DN 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

ALT -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086





20




C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DBH(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

H (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DBH 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

H -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086




SPOT Quickbird


C 329 169 490 079 302 073 531 055

DN 2622 1601 3643 086 2671 1612 3731 084



SPOT Quickbird


C 329 169 490 079 302 073 531 055

DBH 2622 1601 3643 086 2671 1612 3731 084








21



Variable

SPOT 5 HRG Image

Quickbird Image

RMSERRMSE

RMSE

RRMSE

Aboveground carbon

078 Mg 2389 077 Mg 2528


515 cm 2013 1070 cm 4249

Height 250 m 1293 629 m 3324







Variable

Imagen SPOT 5 HRG

Imagen Quickbird

RECMRECM

RECM

RECM



Altura 250 m 1293 629 m 3324







22



Conclusiones


Agradecimientos







Conclusions


Acknowledgements








23

Referencias



































24












20




C (11) β0+β

1(CC) +β

2(B

2)+β

3(B

3)+β

4(NDVI

42)+β

5(IK

R) 086

DBH(14) β

0+β

1(B

1)+β

2(B

2)+β

3(B

3)+β

4(NDVI)+β

5(NDVI

41)+

β6(NDVI

42)+β

7(IK

R)

088

H (15) β0+β

1(B

1)+β

2(B

2)+β

3(B

4)+β

4(GARI)+β

5(IK

R) 091


C 518 -7699(B2)+4606(B

4)-755(GVI) 055

DBH 259-49429(NDVI)-47915(NDVI23

)+1591(IKR)-491(IK

IRC) 084

H -091-27064(NDVI)-27549(NDVI23

)+1063(IKR)-327(IKIRC

) 086




SPOT Quickbird


C 329 169 490 079 302 073 531 055

DN 2622 1601 3643 086 2671 1612 3731 084



SPOT Quickbird


C 329 169 490 079 302 073 531 055

DBH 2622 1601 3643 086 2671 1612 3731 084








21



Variable

SPOT 5 HRG Image

Quickbird Image

RMSERRMSE

RMSE

RRMSE

Aboveground carbon

078 Mg 2389 077 Mg 2528


515 cm 2013 1070 cm 4249

Height 250 m 1293 629 m 3324







Variable

Imagen SPOT 5 HRG

Imagen Quickbird

RECMRECM

RECM

RECM



Altura 250 m 1293 629 m 3324







22



Conclusiones


Agradecimientos







Conclusions


Acknowledgements








23

Referencias



































24












21



Variable

SPOT 5 HRG Image

Quickbird Image

RMSERRMSE

RMSE

RRMSE

Aboveground carbon

078 Mg 2389 077 Mg 2528


515 cm 2013 1070 cm 4249

Height 250 m 1293 629 m 3324







Variable

Imagen SPOT 5 HRG

Imagen Quickbird

RECMRECM

RECM

RECM



Altura 250 m 1293 629 m 3324







22



Conclusiones


Agradecimientos







Conclusions


Acknowledgements








23

Referencias



































24












22



Conclusiones


Agradecimientos







Conclusions


Acknowledgements








23

Referencias



































24












23

Referencias



































24












24











estimación de parámetros forestales en bosques de ... · artículo / article estimación de...

Documents